開発者ツールのページからポータブル予測サーバー（PPS）イメージにアクセスしてダウンロードできるようになりました。PPSイメージはオールインワンのdockerizedソリューションであり、完全に機能する予測APIサーバーを実行して、MLOpsエージェント経由モデル監視を完全にサポートすることができます。イメージをダウンロードして、設定することで、DataRobot外で予測ジョブを実行し、DataRobotデプロイに予測統計を返します。

一般提供：予測環境の作成と管理¶

現在の正規版（GA）では、DataRobotの外部で実行されているデプロイの予測環境を管理できます。これにより、組織内から外部でモデルを実行しているさまざまなプラットフォームを完全に表すことができます。予測環境では、外部環境（ポータブル予測サーバー経由またはスコアリングコードを使用）でモデルをデプロイおよび監視する機能をサポートします。予測環境を作成してDataRobotに追加し、指定された環境でDataRobotモデルをデプロイして、DataRobotの外部で実行されるモデルのデプロイシナリオを確立します。

一般提供：外部時系列デプロイの作成¶

一般提供機能。時系列モデルを作成して、DataRobotの外部にデプロイし、MLOpsエージェントを使用して予測統計をDataRobotに報告できます。DataRobotで時系列モデルを開発できるだけでなく、DataRobotのデプロイの監視および管理機能を維持しながら、簡単に使用できる形式でモデルをエクスポートできます。

一般提供：「予測を作成」タブの時系列デプロイのサポート¶

一般提供機能。予測を作成インターフェースを使用して、デプロイ済みの時系列モデルでデータセットを効率的にスコアリングすることができます。このインターフェイスを使用すると、モデルの特徴量派生ウィンドウと予測行に関する情報を確認して、スコアリングしようとしているデータが適切な要件を満たしていることを確認できます。データセットを変更せずに特定の予測ポイントの予測を行うことができるように、スコアリングするデータセットの時系列オプションを設定することもできます。

一般提供：MLOpsエージェントインテグレーションを使用したスコアリングコードのダウンロード¶

現在の正規版（GA）では、スコアリングコードに同梱されているMLOpsエージェントをデプロイから直接ダウンロードでるようになりました。エージェントをすばやく統合し、DataRobotの外部で実行されているモデルのモデル監視統計をDataRobotに報告できます。一度設定すれば、追加のセットアップなしにMLOpsエージェントが予測時に自動的に起動し、指標を報告してから、シャットダウンします。スコアリングコードとMLOpsエージェントパッケージは、デプロイのアクションメニューからダウンロードできます。

新しいパブリックベータのデプロイ機能¶

ベータ：チャレンジャーモデルが外部デプロイで利用可能になりました¶

パブリックベータ機能として、リモート予測環境のデプロイでは、チャレンジャータブが使用できるようになりました。リモートモデルはチャンピオンモデルとして機能し、DataRobotモデルとカスタムモデルのチャレンジャーと比較できます。チャンピオンモデルをチャレンジャーで置き換える場合は、モデルをカスタムモデルまたはDataRobotチャレンジャーモデルに置き換えて、その新しいチャンピオンをリモート予測環境にデプロイすることもできます。

ベータ：デプロイ用セグメント分析の改善¶

DataRobot 7.0では、セグメント化された分析機能が改善されています。新しいデフォルトのセグメント属性DataRobot-Acted-Onでは、デプロイの精度を True と False の2つの値でセグメント化できます。このセグメント属性を使用して、予測を実行した時と実行しなかった時のモデルの精度を比較できます。このセグメント属性を使用するには、デプロイの実測値に、予測が実行されたかどうかを示す列が含まれている必要があります。

ベータ：多クラスデプロイの監視サポートを改善しました¶

パブリックベータ版の機能として、改善された監視機能を使用して多クラスモデル（カスタムモデルを含む）をデプロイできるようになりました。多クラスデプロイから、適切な設定をして精度およびデータドリフト統計を報告できるようになりました。また、リモート予測環境にデプロイされた多クラスモデルは、MLOpsエージェントから監視できます。多クラスデプロイでは、精度タブとデータドリフトタブのグラフに表示されるデータを変更するためのクラスベースの設定が提供されます。デフォルトでは、グラフにはトレーニングデータに含まれる最も一般的な5つのクラスが表示されます。これらのモニタリング機能は、現在10クラスに制限されています。

ベータ：Tableauの分析拡張機能をDataRobotデプロイと統合¶

Tableauの分析拡張機能を使用して、DataRobotの予測をTableauプロジェクトに統合できるようになりました。この拡張機能はTableauの分析APIをサポートしており、ユーザーはTableauとのデータの送受信が可能なエンドポイントを作成できます。拡張機能を使用すると、予測情報を視覚化し、DataRobotからの予測応答に基づく情報で更新できます。DataRobotとTableauの間の接続を確立し、デプロイからコードスニペットにアクセスして、DataRobotの予測APIによるTableauの予測を行うことができます。また、デプロイのコードスニペットを設定して、特徴量を再マッピングすることもできます。

ベータ：特徴量探索のデプロイでのセカンダリーデータセットを管理するためのガバナンスワークフローのサポート¶

このリリースでは、ガバナンスワークフローを使用して、特徴量探索のデプロイのセカンダリーデータセットに対する更新を管理できます。管理者が「セカンダリーデータセット設定の変更」承認ポリシートリガーをユーザー設定 > 承認ポリシーで設定した後にセカンダリーデータセットに変更を加えようとすると、承認プロセスが必要な変更リクエストのプロンプトが表示されます。変更リクエストの作成者は、そのステータスを履歴（デプロイ > 概要）に表示でき、レビュー担当者には、更新のレビューを要求する保留中の変更通知が表示されます。

新しいモデル登録機能¶

カスタムモデルのデプロイログ¶

カスタムモデルをデプロイすると、一意のログレポートが生成されるため、DataRobot内からカスタムコードをデバッグし、予測リクエストの失敗をトラブルシューティングすることができます。次の2種類のログにアクセスできます。

ランタイムログは、カスタムモデルを実行しているDockerコンテナからキャプチャされます。これらのログを使用して、失敗した予測リクエストのトラブルシューティングを行うことができます。予測リクエストを行った後、ログは5分間キャッシュされます。
デプロイログはデプロイ中にカスタムモデルが失敗した場合、自動的にキャプチャされます。ログは、デプロイの一部として恒久的に保存されます。

一般提供：構造化されていないカスタム推論モデルの作成¶

現在の正規版（GA）では、DataRobotで従来の連続値または二値分類のターゲットタイプを使用しない非構造化カスタムモデルをサポートするようになりました。非構造化モデルは、連続値モデルや二値分類モデルのように特定の入出力スキーマに準拠する必要はありません。入力と出力に任意のデータを使用できます。ターゲットタイプに関係なく、DataRobotを使用して任意のタイプのモデルをデプロイおよび監視し、予測リクエストおよび応答からデータを読み取る方法をより細かく制御できます。

新しいパブリックベータモデル登録機能¶

ベータ：カスタムモデルがポータブル予測をサポートするようになりました¶

カスタムモデルを独自のポータブル予測サーバー（PPS）にデプロイできるようになりました。カスタムモデル、カスタム環境、およびMLOpsエージェントを含むダウンロード可能なバンドルを使用して、PPSイメージを生成および起動できます。起動すると、カスタムモデルPPSインストールがREST APIを使用して予測を提供します。MLOpsエージェントがカスタムモデルのDataRobotデプロイに予測統計を報告するよう設定できます。

ベータ：カスタムモデル用のGitHubエンタープライズとBitbucketサーバーの統合¶

ユーザーはGitHub EnterpriseおよびBitbucket Serverリポジトリをモデルレジストリに登録して、アーティファクトをDataRobotにプルし、カスタム推論モデルを構築できるようになりました。これらのリポジトリのいずれかを統合すると、管理されたコード中心の機械学習の開発環境と管理されたMLOps環境の間で直接転送を行えるようになります。

ベータ：異常検知のカスタム推論モデル¶

パブリックベータ機能。異常検知の問題に対するカスタム推論モデルを作成できます。カスタムモデルを作成するときに、ターゲットタイプとして「異常検知」を指定できます。また、異常検知モデル用DRUMテンプレートにアクセスできます。デプロイされたカスタム推論異常検知モデルの場合、次の機能はサポートされません。

データドリフト
精度と関連付けID
チャレンジャーモデル
信頼性ルール
予測間隔

更新しました July 21, 2023

このページは役に立ちましたか？

ありがとうございます。どのような点が役に立ちましたか？

より良いコンテンツを提供するには、どうすればよいでしょうか？

アンケートにご協力いただき、ありがとうございました。